QUT-onderzoekers hebben een nieuw wiskundig systeem voor machinaal leren ontwikkeld dat helpt bij het identificeren en detecteren van veranderingen in biodiversiteit, inclusief landopruiming, wanneer satellietbeelden worden belemmerd door wolken.

Met behulp van statistische methoden om onzekerheid te kwantificeren, het onderzoek, gepubliceerd in Remote Sensing in Ecology and Conservation, analyseerde beschikbare satellietbeelden van een gebied van 180 km² in het centrum van Zuidoost-Queensland.

De regio is de thuisbasis van vele inheemse soorten, waaronder de ernstig bedreigde noordelijke harige-neuswombat en het kwetsbare grotere zweefvliegtuig, en het gebied bestaat voornamelijk uit bos, weiland, en landbouwgrond.

Dr. Jacinta Holloway-Brown zegt dat het meten van veranderingen in bosbedekking in de loop van de tijd essentieel is om habitats te volgen en te behouden en dat het een belangrijke duurzame ontwikkelingsdoelstelling is van de Verenigde Naties en de Wereldbank om bossen duurzaam te beheren.

"Satellietbeelden zijn belangrijk omdat het te moeilijk en te duur is om vaak veldgegevens over grote, beboste gebieden, "Dr. Holloway-Brown zei.

"Het probleem met het gebruik van satellietbeelden is dat grote delen van de aarde worden verduisterd door wolken en deze bewolking veroorzaakt grote en frequente hoeveelheden ontbrekende gegevens."

Dr. Holloway-Brown zei dat werd geschat op basis van 12 jaar satellietbeelden dat gemiddeld ongeveer 67 procent van de aarde wordt verduisterd door bewolking.

"Met onze methode we kunnen pixel voor pixel vergelijken wat voor soort landbedekking er is en of deze is veranderd sinds de laatste afbeelding. Bijvoorbeeld, als de pixel bos was in de laatste afbeelding en in de daaropvolgende week of zo later is veranderd in aarde of een boomstronk, dat kunnen we detecteren, " ze zei.

Het onderzoek omvatte het berekenen van twee gesimuleerde soorten opruimingsgebeurtenissen, duidelijk kappen, waarbij alle bomen uit het gebied worden verwijderd en verbrand om zich voor te bereiden op toekomstige groei en, ten tweede, het uitdunnen van bomen waarbij alleen bomen uit het gebied worden verwijderd, het verlaten van kleinere struiken, grasland, en weiland achter.

Door wolken te simuleren, de onderzoekers, waaronder QUT's Distinguished Professor Kerrie Mengersen en Dr. Kate Helmstedt, kon "de limieten testen" van de methode en weten hoe goed of niet het kon voorspellen wat er onder de wolken was.

De resultaten toonden aan dat de methode nauwkeurig gesimuleerde veranderingen in landbedekking detecteerde onder zowel duidelijke kap als dunner wordende bomen.

"We krijgen de meest actuele voorspellingen van ontbrekende gegevens als gevolg van wolken door onze machine learning-methode aan de randen van die wolken te trainen en de ontbrekende gebieden te voorspellen, " ze zei.

Dr. Holloway-Brown zal het onderzoek presenteren aan het VN-taakteam voor aardobservatiegegevens.

"Er zijn reële mogelijkheden om onze methode te gebruiken om een ​​echt verschil te maken voor bosmonitoring, " ze zei.

De onderzoekers maken deel uit van het op QUT gebaseerde Australian Research Council Centre of Excellence for Mathematical and Statistical Frontiers.